摘要：在已知sRM靜態(tài)磁特性曲線的基礎(chǔ)上，將一種目適應(yīng)RBF網(wǎng)絡(luò)應(yīng)用于sRM的建模中。該網(wǎng)絡(luò)采用組合聚類的方法動態(tài)確定RBF神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)中心，克服了傳統(tǒng)RBF網(wǎng)絡(luò)把每個數(shù)據(jù)點(diǎn)都作為隱層節(jié)點(diǎn)，當(dāng)數(shù)據(jù)量較大時致使網(wǎng)絡(luò)結(jié)構(gòu)冗余較大、學(xué)習(xí)速度較慢的缺點(diǎn)，同時又保持了傳統(tǒng)RBF網(wǎng)絡(luò)的優(yōu)點(diǎn)。與傳統(tǒng)的RBF網(wǎng)絡(luò)相比．所設(shè)計的日適應(yīng)網(wǎng)絡(luò)節(jié)點(diǎn)少，精度能夠滿足要求。仿真結(jié)果表明，該模型能夠較好地反映電機(jī)磁特性，所建立的sRM驅(qū)動系統(tǒng)仿真模型具有較好的通用性，為sRM的設(shè)計分析與新型控制策略的驗(yàn)證提供了基礎(chǔ)一
關(guān)鍵詞：組合聚類自適應(yīng)RBF網(wǎng)絡(luò)；開關(guān)磁阻電動機(jī)：建模與仿真
中圖分類號：TM352 文獻(xiàn)標(biāo)識碼：A 文章編號：1004—7018(2009)10—0024—03
0引 言
無論是從電機(jī)設(shè)計的角度深入分析開關(guān)磁阻電動機(jī)(以下簡稱sRM)性能與結(jié)構(gòu)參數(shù)之間的關(guān)系，還是從控制角度對電機(jī)控制參數(shù)的優(yōu)化，都需要建立sRM的精確數(shù)學(xué)模型：但是由于sRM獨(dú)特的雙凸極結(jié)構(gòu)，使其電流及磁鏈隨時間呈單向性脈沖變化，并且通常運(yùn)行于飽和狀態(tài)和磁路的非線性，又由于開關(guān)性電源供電的特點(diǎn)，使得建立類似于傳統(tǒng)交直流電機(jī)的精確解析模型十分困難。：
人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)和逼近能力，可以通過對樣本數(shù)據(jù)的訓(xùn)練直接得到磁鏈到電流的反
演模型。因此，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于sRM的非線性建模具有明顯優(yōu)勢。徑向基函數(shù)RBF網(wǎng)絡(luò)作為一
種典型的局部逼近神經(jīng)網(wǎng)絡(luò)，具有較強(qiáng)的非線性映射、模式識別及全局逼近能力，但常規(guī)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)固定，適應(yīng)性差，且網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)需要人為確定。：為此，本文將減聚類算法和GK模糊聚類算法相結(jié)合構(gòu)造了自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)，并將其用于sRM的建模中。減聚類把所有的數(shù)據(jù)點(diǎn)作為聚類中心的候選點(diǎn)，是一種快速而獨(dú)立的近似聚類方法，計算量與數(shù)據(jù)點(diǎn)的數(shù)日成簡單的線性關(guān)系，而且與所考慮問題的維數(shù)無關(guān)。GK模糊聚類采用聚類協(xié)方差矩陣的自適應(yīng)距離度量進(jìn)行模糊聚類，通過使非相似匪指標(biāo)的價值函數(shù)達(dá)到最小獲得隸屬度矩陣和聚類中心。減聚類和GK模糊聚類的組合不但可以提高聚類的速度，而且還能對聚類數(shù)目的合理性進(jìn)行評判，使得產(chǎn)生的聚類數(shù)目及聚類中心為****的結(jié)果。
1基于組合聚類算法的自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)建立
常規(guī)徑向基神經(jīng)網(wǎng)絡(luò)在自學(xué)習(xí)時，只有當(dāng)輸入落在輸入空間中某個中心點(diǎn)附近時基函數(shù)才產(chǎn)生一
轉(zhuǎn)矩，從而可以得到電機(jī)的瞬時轉(zhuǎn)矩。依據(jù)本文所選的樣機(jī)，功率變換器采用不對稱半橋結(jié)構(gòu)，電流所選的樣機(jī)，功率變換器采用不對稱半橋結(jié)構(gòu)，電流環(huán)采用常規(guī)的斬波控制，建立一相繞組仿真模型。
4. 結(jié)語
從上面的仿真及測試結(jié)果可以看出，所設(shè)計組合聚類自適應(yīng)神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)樣本及測試樣本數(shù)據(jù)的學(xué)習(xí)均能達(dá)到較好的效果，表明該網(wǎng)絡(luò)具有較好的逼近和泛化能力，也驗(yàn)證了采用組合聚類算確定數(shù)據(jù)中心的可行性。將該網(wǎng)絡(luò)應(yīng)用于SPM驅(qū)動系統(tǒng)的非線性建模的仿真結(jié)果 與理論分析一致 ，說明所建非線性模型的有效性。 這將為SRM的實(shí)時在線控制以及控制算法的驗(yàn)證提供很好的平臺。
|
